Исследовательская группа

Лаборатория инструментов совместной работы

Мультимодальная система рекомендации каналов

Владимир КоваленкоАктивный

В крупных организациях процесс совместной работы между сотрудниками, командами и отделами включает в себя различные средства связи, такие как групповые звонки, встречи, личные чаты и каналы в мессенджерах. Каналы часто связаны с конкретными темами, например проектами или мероприятиями, и могут служить источником информации для всех, кто в них заинтересован.

Однако, в мессенджерах в крупных организациях зачастую так много каналов, что сотрудники могут просто не знать о существовании некоторых потенциально полезных им каналов. Помочь им найти релевантную информацию могут системы рекомендаций, работающие без запроса, указываемого пользователями.

Чем больше имеется информации о пользователях, тем более точные и полезные рекомендации мы можем получить. Более того, объединение мультимодальных данных с разных платформ для совместной работы может дать рекомендательной системе больше информации о социальных и технических взаимодействиях внутри организации. Например, данные об организационной структуре могут позволить генерировать рекомендации, специфические для отдельных ролей сотрудников. В случае ИТ-компаний, проекты и исходный код могут предоставить информацию о профессиональных интересах пользователей. Однако, такие данные обычно распределяются по нескольким платформам, и их трудно собрать, поэтому в большинстве существующих подходов используются только одномодальные данные.

Цель этого исследования – построить систему рекомендации каналов, работающую с мультимодальными данными, и проанализировать влияние мультимодальности на качество рекомендаций.

Участники

Публикации

Multimodal Recommendation of Messenger Channels

Май 2022

Ekaterina Koshchenko, Egor Klimov, Vladimir Kovalenko

Collaboration platforms, such as GitHub and Slack, are a vital instrument in the day-to-day routine of software engineering teams. The data stored in these platforms has a significant value for datadriven methods that assist with decision-making and help improve software quality. However, the distribution of this data across different platforms leads to the fact that combining it is a very timeconsuming process. Most existing algorithms for socio-technical assistance, such as recommendation systems, are based only on data directly related to the purpose of the algorithms, often originating from a single system. In this work, we explore the capabilities of a multimodal recommendation system in the context of software engineering. Using records of interaction between employees in a software company in messenger channels and repositories, as well as the organizational structure, we build several channel recommendation models for a software engineering collaboration platform, and compare them on historical data. In addition, we implement a channel recommendation bot and assess the quality of recommendations from the best models with a user study. We find that the multimodal recommender yields better recommendations than unimodal baselines, allows to mitigate the overfitting problem, and helps to deal with cold start. Our findings suggest that the multimodal approach is promising for other recommendation problems in software engineering.

Подробнее